四分体

TETRAD是一个程序,它创建、模拟数据、估计、测试、预测和搜索因果和统计模型。该程序的目的是在友好的界面中提供复杂的方法,只需要很少的用户统计复杂度,而且不需要编程知识。它并不打算取代灵活的统计编程系统,如Matlab、Splus或R。Tetrad是一种免费软件,可执行Netica、Hugin、LISREL、EQS等商业程序中的许多功能,以及这些商业程序不具备的许多发现功能。Tetrad在其提供的一套原则性搜索(“探索”、“发现”)算法中是独一无二的——例如,它能够在测量变量可能存在未观察到的混杂情况时进行搜索,搜索潜在结构模型,以及寻找线性反馈模型——以及基于模型计算干预或实验效果预测的能力。它的所有搜索过程都是“点态一致的”——只要结构和样本数据满足各种常见的(但并不总是真的!),它们几乎可以保证在大样本限制下收敛到关于真实结构的正确信息假设。。。


zbMATH中的参考文献(引用于,1标准件)

显示结果1到20,共362个。
按年份排序(引用)

1 2 ... 17 18 19 下一个

  1. Córdoba,Irene;Bielza,Concha;Larrañaga,Pedro:条件独立性的高斯-马尔可夫模型综述(2020)
  2. Rantanen,Kari;Hyttinen,Antti;Järvisalo,Matti:发现带有循环和潜在混杂因素的因果图:一种精确的分枝定界方法(2020)
  3. 博格,弗洛里安J.:许多世界中最好的,或者,量子退相干是一种性格的表现吗?(2019年)
  4. Bucur,Ioan Gabriel;Claassen,Tom;Heskes,Tom:基因调控关系的大规模局部因果推断(2019年)
  5. Castelletti,Federico;Consonni,Guido:用于识别信号通路的高斯介入基本图的客观贝叶斯模型选择(2019年)
  6. Costa,Lilia;Smith,James Q.;Nichols,Thomas:使用功能磁共振成像网络时间序列的多元回归动态模型进行群体分析(2019年)
  7. Cui,Ruifei;Groot,Perry;Heskes,Tom:使用高斯copula模型从缺失值的混合数据中学习因果结构(2019)
  8. de Campos,Luis M.;Cano,Andrés;Castellano,Javier G.;Moral,Serafín:结合基因表达数据和先验知识,通过贝叶斯网络使用结构限制推断基因调控网络(2019年)
  9. Draisma,Jan:高斯图形模型中的偏相关超曲面(2019)
  10. Drton,Mathias;Fox,Christopher;Wang,Y.Samuel:循环结构方程模型中最大似然估计的计算(2019年)
  11. Frot,Benjamin;Nandy,Preetam;Maathuis,Marloes H.:带有一些隐藏变量的鲁棒因果结构学习(2019)
  12. 顾嘉颖;傅,费;周青:离散数据有向无环图的惩罚估计(2019)
  13. 郭,肖;张,海;王,姚;梁,勇:包含无标度特性的稀疏有向无环图的结构学习(2019)
  14. Huang,Whitney K.;Cooley,Daniel S.;Ebert Uphoff,Imme;Chen,Chen;Chatterjee,Snigdhansu:极值依赖的新探索工具:(\chi)网络和年度极值网络(2019)
  15. 伊美,小介;江志超:评论:多重原因的挑战(2019)
  16. 因果推理(Jensen,2019)强化经验推理(Jensen,2019)
  17. Omid Momin;Esfahanipour,Akbar;Seifi,Abbas:考虑因果网络中行为偏差的稳健估计的投资组合选择(2019年)
  18. Phister,Niklas;Bühlmann,Peter;Peters,Jonas:序列数据的不变因果预测(2019年)
  19. 祁小龙;樊晓聪;高,杨;刘彦芳:使用最弱互信息优先策略学习贝叶斯网络结构(2019)
  20. 舒尔特,奥利弗:《奥卡姆剃须刀的因果学习》(2019)

1 2 ... 17 18 19 下一个


更多出版物请访问:http://www.phil.cmu.edu/tetrad/publications.html